Dane syntetyczne w projektach Customer Experience
Inspiracja
W ostatnim numerze Harvard Business Review trafiłem na bardzo ciekawy artykuł „How Gen AI Is Transforming Market Research”. Mówi on m.in. o danych syntetycznych i ich wykorzystaniu w badaniach.
I tak czytając sobie tę treść przyszło mi do głowy, że przecież w projektach typu X tego typu dane również można wykorzystywać. I to pewnie już częściowo się dzieje. I pewnie będzie działo się coraz częściej.
Sam zacząłem eksperymentować w temacie. Póki co, opracowane w ten sposób dane, są dodatkiem lub ciekawostką, a trzon projektów stanowią badania z tkanką białkową, ale kto wie co będzie jakiś czas:).
No dobra, ale do brzegu.
Czym są dane syntetyczne
Dane syntetyczne to dane generowane przez modele językowe, które naśladują zachowania, preferencje i charakterystykę prawdziwych ludzi, ale nie są zbierane od nich bezpośrednio. Czyli używamy algorytmów gen AI do tworzenia wirtualnych profili klientów i
scenariuszy. Dzięki temu można symulować reakcje klientów i konkurentów.
Jak powstają i co potrafią tego typu dane?
Firmy mogą tworzyć dane syntetyczne, korzystając z ogólnodostępnych modeli gen AI lub trenując własne, specjalistyczne modele na bazie zgromadzonych już danych z tradycyjnych badań, systemów CRM i transakcji.
Wykorzystanie własnych, wewnętrznych danych pozwala na stworzenie bardziej precyzyjnych i dostosowanych do konkretnej firmy modeli. Na przykład, startup Rockfish Data umożliwia firmom tworzenie i trenowanie własnych modeli gen AI na ich wewnętrznych
zbiorach danych, co gwarantuje pełną prywatność i kontrolę.
Dane syntetyczne nie ograniczają się jedynie do danych ilościowych. Badanie przeprowadzone na Wisconsin School of Business w 2024 roku pokazało, że AI może również przeprowadzać głębokie wywiady jakościowe z syntetycznymi respondentami, generując wnikliwe i wartościowe spostrzeżenia. Dostawcy tacy jak portugalski startup Synthetic Users specjalizują się właśnie w tego typu działaniu.
Wiarygodność i potencjał
Choć początkowo sceptycyzm wobec danych syntetycznych był wysoki, badania pokazują, że ich dokładność może być zaskakująco duża. Firma Evidenza przeprowadziła ponad 60 badań walidacyjnych, porównując wyniki syntetyczne z tradycyjnymi. W jednym z badań, we
współpracy z EY, zastosowano podwójnie ślepą próbę.
AI Evidenzy stworzyła ponad tysiąc syntetycznych person, które wypełniły ankietę.
Wyniki były zdumiewające – wnioski były w 95% identyczne z tymi uzyskanymi od prawdziwych respondentów (dyrektorów generalnych firm z przychodami ponad 1 miliard dolarów).
Wyzwania i ograniczenia
Należy jednak pamiętać o pewnych ograniczeniach. Modele gen AI są podatne na uprzedzenia (bias) zawarte w danych szkoleniowych, co może prowadzić do zniekształconych wyników.
Jak zauważają badacze z Columbia i Stanford, modele OpenAI są często bardziej
reprezentatywne dla osób o liberalnych poglądach i wyższym
wykształceniu.
Co więcej, gen AI wciąż ma problemy z prognozowaniem gwałtownych zmian w zachowaniach konsumentów oraz symulowaniem reakcji emocjonalnych na bodźce wielozmysłowe, takie jak zapachy.
Odkryła to firma Takasago, zajmująca się produkcją zapachów i aromatów, która próbowała zastąpić ludzki panel badawczy panelem AI.
Do tego, moje doświadczenie pokazuje, że dane syntetyczne są pozbawione kontekstu danej firmy, emocji i całej masy detali, które składają się na dobre lub złe doświadczenie klienta.
Słowem końca
Myślę więc, że mogą one, częściowo przyspieszyć proces badawczy, ale, na tym etapie, jeszcze nie zastąpią rozmów z klientami, obserwacji ich w ich naturalnym środowisku czy własnych doświadczeń z procesem (Service Safari).
Dlatego warto brać je pod uwagę, ale póki co byłbym ostrożny z bazowaniem tylko na nich w kontekście decyzji biznesowych w projektach typu CX.
Jeśli zastanawiasz się, jak dane syntetyczne mogą wesprzeć badania w Twojej firmie – chętnie podzielę się doświadczeniami z własnych eksperymentów. Napisz na piotr.wojciechowski@fuzers.com lub wybierz, poniżej, dogodny dla Ciebie termin bezpłatnej konsultacji online.
